Speed and Morphology Conditioned Fourier Gait Synthesis for Bipedal Locomotion Learning
यह शोध पत्र एक गति और आकार-सशर्त (speed and morphology-conditioned) फूरियर-आधारित चाल संश्लेषण विधि प्रस्तावित करता है जो परिवर्तनशील-अवधि वाले जोड़ कोण डेटा को मजबूत पुनर्निर्माण के लिए निश्चित-आयामी आवृत्ति गुणांकों में परिवर्तित करता है, जो सिग्नल निष्ठा और द्विपाद लोकोमोशन (bipedal locomotion) के लिए डाउनस्ट्रीम सुदृढीकरण शिक्षण कार्यों में मौजूदा बेसलाइन की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
चलना एक ऐसी लय है जिसे हम बिना सोचे करते हैं, फिर भी इसके पीछे का भौतिक विज्ञान समय, संतुलन और बल की एक जटिल पहेली है। यदि किसी रोबोट को इंसान की तरह चलना है, तो उसे इसी लय में महारत हासिल करनी होगी। चुनौती यह है कि मानव चाल एक घड़ी की टिक-टिक की तरह एक सरल, दोहराव वाला लूप नहीं है; यह एक तरल गति है जो इस बात पर निर्भर करती है कि व्यक्ति कितनी तेजी से चलता है। एक धीमी, घिसटती हुई चाल को पूरा होने में तीन सेकंड लग सकते हैं, जबकि एक तेज कदम एक सेकंड से भी कम समय में पूरा हो जाता है। यह परिवर्तनशीलता रोबोट को सिखाना कठिन बना देती है, क्योंकि अधिकांश कंप्यूटर मॉडल निश्चित आकार के इनपुट की अपेक्षा करते हैं। यदि आप एक ही सिस्टम में एक धीमी चाल और एक तेज चाल डालने की कोशिश करते हैं, तो समय का तालमेल बिगड़ जाता है और रोबोट लड़खड़ा जाता है। शोधकर्ता लंबे समय से इस चलने की लय को वर्णित करने का एक ऐसा तरीका खोज रहे थे जो गति के बावजूद सुसंगत रहे, जिससे मशीन एक कदम के सार को सीख सके और फिर उसे किसी भी गति पर लागू कर सके।
बिल्केंट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया तरीका विकसित किया है, जो चित्रों के अनुक्रम के बजाय ध्वनि तरंगों के चश्मे से गति को देखकर रोबोट के लिए मानव जैसी चलने के पैटर्न बनाता है। किसी कदम का वीडियो रिकॉर्ड करने और फिर उसे रोबोट की जरूरतों के अनुसार खींचने या सिकोड़ने के बजाय, वे गति को इसकी मौलिक आवृत्तियों (frequencies) में तोड़ देते हैं, ठीक वैसे ही जैसे एक संगीतकार किसी संगीत के स्वर को समझने के लिए उसके पिच और टोन का विश्लेषण करता है। मानव पैर की जोड़ संबंधी गतिविधियों को आवृत्तियों के एक सेट में बदलकर, जो निश्चित आकार के नंबर होते हैं, उन्होंने चलने की एक सार्वभौमिक भाषा बनाई। यह भाषा चलने वाले के तेज या धीमे होने पर भी एक ही तरह से काम करती है, क्योंकि कदम की अवधि को उसकी गति के आकार से अलग रखा गया है।
शोधकर्ताओं ने पहले पचास अलग-अलग लोगों के विभिन्न गतियों से चलने के डेटा को एकत्र किया। उन्होंने प्रत्येक व्यक्ति के चलने के दौरान कूल्हों, घुटनों और टखनों के कोणों को रिकॉर्ड किया, जिसमें एक हजार से अधिक परीक्षण शामिल थे। इस डेटा को रोबोट के लिए उपयोगी बनाने के लिए, उन्होंने सबसे पहले उन सूक्ष्म, उच्च-आवृत्ति वाली थरथराहटों को हटा दिया जो कदम के लिए आवश्यक नहीं थीं, और केवल मुख्य, सुचारू गतिविधियों को रखा। इसके बाद, उन्होंने प्रत्येक चलने के चक्र को इस तरह से पुन: नमूना (resample) लिया कि हर कदम, चाहे वह वास्तविक समय में कितना भी लंबा क्यों न हो, ठीक बत्तीस बिंदुओं द्वारा दर्शाया गया। 'फेज नॉर्मलाइजेशन' (phase normalization) नामक यह प्रक्रिया यह सुनिश्चित करती है कि एक धीमी चाल और एक तेज चाल को एक ही आकार माना जाए, बस उन्हें अलग-अलग गति से चलाया जा रहा है। फिर उन्होंने इन बिंदुओं को गुणांकों (coefficients) के एक सेट में बदल दिया, जो वास्तव में लहर के निर्माण खंड (building blocks) हैं। परिणाम एक संक्षिप्त कोड है जो किसी विशिष्ट समय अवधि से बंधे बिना कदम के आकार का वर्णन करता है।
इसके बाद, उन्होंने एक छोटा कंप्यूटर नेटवर्क प्रशिक्षित किया जो दो सरल इनपुट के आधार पर इन गुणांकों की भविष्यवाणी करता है: रोबोट को कितनी तेजी से चलना चाहिए और उसके पैरों की लंबाई कितनी है। यह नेटवर्क एक जनरेटर के रूप में कार्य करता है, जो वांछित गति और रोबोट के शारीरिक आयामों को लेकर एक प्राकृतिक चलने का पैटर्न पुनर्गठित करने के लिए आवश्यक सटीक संख्याओं का आउटपुट देता है। चूंकि आउटपुट इन आवृत्ति घटकों से बना है, इसलिए परिणामी गति गणितीय रूप से एक पूर्ण, दोहराव वाला चक्र होने की गारंटी देती है। इस बात का कोई जोखिम नहीं है कि रोबोट के कदम समय के साथ तालमेल से बाहर हो जाएंगे, जो अन्य विधियों में एक आम समस्या है जहाँ छोटी त्रुटियां हर कदम के साथ जमा होती रहती हैं। शोधकर्ताओं ने इस जनरेटर का परीक्षण कई अन्य दृष्टिकोणों के विरुद्ध किया, जिसमें लोगों के चलने के वीडियो को सीधे चलाना, रिकॉर्ड की गई गतियों के बीच के अंतराल को भरने के लिए गणितीय वक्रों का उपयोग करना, और युग्मित ऑसिलेटर्स (coupled oscillators) पर आधारित मॉडल शामिल थे। उनका आवृत्ति-आधारित तरीका सबसे सटीक साबित हुआ, जिसने वास्तविक मानव डेटा के बहुत करीब चलने के पैटर्न बनाए।
एक विश्वसनीय तरीके से चलने के संदर्भ पैटर्न उत्पन्न करने के बाद, टीम ने रोबोट को उन्हें सीखने की दिशा में कदम बढ़ाया। उन्होंने एक सात-जोड़ वाले, दो पैरों वाले रोबोट का सिमुलेशन बनाया और एक रोबोट को प्रशिक्षित करने के लिए 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) नामक तकनीक का उपयोग किया। इस प्रक्रिया में, रोबोट को आगे बढ़ने, सीधा रहने और उनके नए नेटवर्क द्वारा उत्पन्न संदर्भ संकेत (reference signal) से मेल खाने के लिए पुरस्कृत किया जाता है। रोबोट को केवल चलना ही नहीं सिखाया गया; बल्कि उसे ठीक से दिखाया गया कि उस विशिष्ट गति और पैर की लंबाई पर एक मानव कदम कैसा दिखता है, और उसे उस नकल के लिए आवश्यक मांसपेशी जैसी ताकत का पता लगाना था। प्रशिक्षण समतल जमीन और हल्की ढलानों पर हुआ था, लेकिन शोधकर्ताओं ने रोबोट की क्षमताओं का परीक्षण बहुत अधिक खड़ी पहाड़ियों और ऊबड़-खाबड़, असमान इलाकों पर किया, जिन्हें उसने पहले कभी नहीं देखा था।
परिणामों ने दिखाया कि रोबोट ने उल्लेखनीय मजबूती के साथ चलना सीखा। जब उसे धीमी चाल से लेकर तेज दौड़ तक की गति से चलने के लिए कहा गया, तो रोबोट ने उच्च सटीकता के साथ वांछित गति को बनाए रखा। इससे भी अधिक प्रभावशाली बात यह थी कि जब उसे पंद्रह डिग्री झुकी हुई ढलान पर रखा गया—जो कि उसके प्रशिक्षण के दौरान देखी गई किसी भी ढलान से तीन गुना अधिक थी—तो रोबोट ने अपना संतुलन बनाए रखा और अधिकांश परीक्षणों में चलता रहा। इसके विपरीत, अन्य नियंत्रण विधियाँ जिन्होंने इस आवृत्ति-आधारित संदर्भ संकेत का उपयोग नहीं किया था, वे इतनी खड़ी ढलानों पर चढ़ने में विफल रहीं या स्थिर गति बनाए रखने में संघर्ष करती रहीं। रोबोट ने यादृच्छिक उभारों और शोर वाले सतहों पर भी अच्छा प्रदर्शन किया, और बिना गिले ही वहां से निकल गया। इस सफलता की कुंजी इस आवृत्ति-आधारित जनरेटर का संयोजन थी, जिसने एक पूर्ण, मानव-समान टेम्पलेट प्रदान किया, और वह लर्निंग एल्गोरिदम था, जिसने रोबोट को उस टेम्पलेट का पालन करते हुए जमीन के अनुकूल संतुलन बनाने की अनुमति दी।
यह अध्ययन इस बात पर प्रकाश डालता है कि चलने को मुद्राओं के अनुक्रम के बजाय आवृत्तियों के स्पेक्ट्रम के रूप में देखना रोबोटिक्स के लिए एक शक्तिशाली लाभ प्रदान करता है। गति के आकार को उसे करने में लगने वाले समय से अलग करके, यह प्रणाली किसी भी गति और किसी भी पैर की लंबाई के लिए प्राकृतिक दिखने वाली चाल उत्पन्न कर सकती है, जिसके लिए बुनियादी बातों को फिर से सीखने की आवश्यकता नहीं होती। हालांकि वर्तमान कार्य एक कंप्यूटर सिमुलेशन में किया गया था और एक ऐसे रोबोट पर केंद्रित था जो एक समतल तल पर सीधी रेखा में चलता है, ये निष्कर्ष एक स्पष्ट मार्ग सुझाते हैं। यह पद्धति मानव गति डेटा और रोबोटिक नियंत्रण के बीच के अंतर को सफलतापूर्वक पाटती है, जो मशीनों को मानव की तरह सहजता और अनुकूलन क्षमता के साथ चलना सिखाने के लिए एक स्थिर आधार प्रदान करती है। शोधकर्ता बताते हैं कि भविष्य के कार्यों में इन विचारों को अधिक जटिल, त्रि-आयामी मानवोइड्स पर और अंततः वास्तविक हार्डवेयर पर परीक्षण करना शामिल होगा, जहाँ सेंसर शोर और मोटर विलंब जैसे भौतिक कारक नई चुनौतियाँ पेश करेंगे। फिलहाल, यह अध्ययन इस बात का प्रमाण है कि ध्वनि के विश्लेषण से प्रेरित एक गणितीय दृष्टिकोण रोबोट को हमारे जैसा चलने के एक कदम और करीब ला सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।